小77论坛最新 一文读懂Multi-Agent System的想法、场景和结束框架
在东说念主工智能的快速发展中，多智能体系统（MAS）正逐步成为贬责复杂任务的要害期间。本文将长远探讨Multi-Agent System的想法、专揽场景以及结束框架小77论坛最新，揭示怎样通过多个智能体的相助与和谐来提高系统的全体性能和鲁棒性。
在《AI大模子实战篇 – Agent想象花样系列》中，风叔详备先容了AI Agent的想法和八种相配有用的想象花样。
关联词，之前先容的Agent王人是单Agent系统，只可奉行相对比较粗浅的任务，迎濒临复杂任务时，单Agent系统的雄厚性会存在问题。这点和东说念主肖似，当一个东说念主的大脑装载了太多信息之后，反而会影响其使命质地。正所谓“术业有专攻”，一个东说念主的力量，始终抵不外一个专科的团队。
这等于Multi-agent system，即多智能体系统想象的初志。
一、Multi-Agent的想法和专揽场景
Multi-Agent系统，简称MAS，是由多个智能体构成的鸠集。这些Agent不错是不同的软件范例、机器东说念主、传感器等，它们各自具备一定的智能和自主性，并处理各自擅长的边界和事情。MAS的核心念念想是通过多个Agent的相助与和谐，共同完成一个复杂任务，从而结束单个Agent无法完成的复杂贪图。
比拟单Agent系统，Multi-Agent系统具备以下上风：
漫衍式处理：MAS救助漫衍式专揽，不错将大型复杂系统剖判为多个袖珍、易于照应的子系统。这使得MAS具有讲究的模块性、易于彭胀性和想象生动性，裁减了系统的总本钱和防卫难度。
协同使命：MAS中的Agent不错相互通讯、协商和相助，共同完成一个任务。通过这种协同使命面貌，MAS好像处理单个Agent无法贬责的问题，从而提高系统的全体性能和鲁棒性。
自安妥性：MAS中的Agent不错笔据环境变化自主诊治行动和政策，这种自安妥性使得MAS具有优秀的雄厚性和生动性，好像应酬多样复杂场景。
Multi-Agent System 主要的专揽场景包括：
软件编写：在软件技俩中，由多个Agents区分演出技俩司理、居品司理、UI想象师、开拓东说念主员、测试东说念主员等等，从而将一个复杂的软件技俩拆解成多个子任务，更高效地完成软件的编写。
智能营销：在销耗者营销场景中，不错构建多个Agents，比如营销谋略Agent、本体出产Agent、东说念主群照应Agent、营销触达Agent和成果分析Agent。
贤慧供应链：在供应链场景中，通过Multi-Agent提高高下流协同效能，包括销售谋略Agent、采购谋略Agent、仓储谋略Agent、采购订单Agent等等，从销量展望、安全库存、供应链反馈等要害，构筑供应链的多说念防地。
智能客服：在智能客服边界，针对不同的居品和事业边界，构建不同的专属Agent，比如处理居品售后投诉的Agent、解答用户居品疑问的Agent、处理营销行径商议的Agent、追踪物流进程的Agent等。同期在最表层构建一个Top Agent，用Top Agent支持对客，再笔据销耗者的问题自动路由到最匹配的专属Agent。
智能电网：在智能电网边界，MAS不错结束多个传感器、铁心器和奉行器之间的协同使命，结束对电网的实时监控、展望和优化调治，提高电网的雄厚性和可靠性。
肖似的场景还能列出许多，风叔就不逐个赘述了，民众也不错辩论我方的行业训戒，仔细念念考是否有得当MAS的场景。接下来，风叔详备先容一下三种比较热点的多智能体系统的结束框架。
二、MetaGPT – SOP驱动Agent的代表
SOP驱动Agent是一种相配易于清晰的多智能体想象花样，SOP即代表了在施行宇宙中模范的业务经由和单干，经由中的各个要害王人有相应的变装进行处理。MetaGPT等于将这一理念搬到了AI Agent边界，由AI Agent来演出业务流中的各个变装。
比如在软件开拓过程中，淫姐姐网想象到的变装包括居品司理、架构师、技俩司理、工程师和质地保证工程师等，每个变装王人有其私有的职责和专科学问。这些Agent罢黜SOP来剖判任务，确保每个面貌王人能高效且准确地完成，居品司理正经分析需求并创建居品需求文档，架构师正经将需求改变为系统想象，技俩司理负累赘务分派，工程师正经编写代码，而质地保证工程师则正经测试和确保代码质地。
MetaGPT具体的使命旨趣包括以下六个要害：
变装界说与单干：MetaGPT当先界说了一系列Agent变装，每个变装王人有特定的职责和任务。这些变装模拟了真正宇宙中的使命经由，使得每个Agent王人能专注于其擅长的边界。
模范化操作范例（SOPs）：MetaGPT将SOPs编码成辅导序列，用于领导Agent怎样奉行任务。SOP确保了任务奉行的一致性和质地，肖似于东说念主类团队中的使命指南。
结构化通讯：为了提高通讯效能，MetaGPT采纳了结构化的通讯面貌。Agent通过分享讯息池发布和订阅信息，这么每个Agent王人能得到到完成任务所需的必要信息。
可奉行反馈机制：在代码生成过程中，MetaGPT引入了可奉行反馈机制。这意味着Agent在编写代码后，会奉行代码并查验其正确性。淌若发现异常，Agent会笔据反馈进行调试，然后再次奉行，直到代码称心要求。这个过程肖似于东说念主类开拓者在开拓过程中的迭代过程。
任务剖判与相助：MetaGPT将复杂任务剖判为多个子任务，每个子任务由一个或多个Agent正经，这种剖判政策使得复杂技俩不错被有用地照应和奉行。同期，Agent之间的相助是通过变装间的信隔绝换和任务依赖来结束的，确保了扫数这个词技俩按谋略鼓动。
捏续学习与优化：MetaGPT救助Agent从昔日的训戒中学习，通过自我修正和迭代来优化其行动，这种自我立异机制不错让系统跟着时候推移越来越智能。
三、AutoGen – LLM驱动Agent的代表
Autogen 是一个由 Microsoft 推出的框架，救助创建和照应多个自主Agent，协同完成复杂的任务。这个框架的生动性极高，咱们不错笔据我方的需求界说不同的Agent和对应的变装，止境是在编程、谋划和创意写稿等边界。
Autogen框架分为相配粗浅的三步，开拓东说念主员要作念的等于明确任务，创建Agent，把这些Agent交融到沿路。
第一步，创建Agent：
救助创建和照应不同类型的 Agent，包括特定任务的各人、通用助手、政策制定者等。
好像为每个 Agent 指定不同的变装、任务和权限，以确保单干明确。
提供 Agent 定制选项，以称心不同任务的特定需求。
第二步，提供对话环境：
提供一个编造的对话空间，让 Agent 之间不错相互相似和相助。
救助多方对话和相助，包括文本、音频或视频面貌。
自动纪录对话本体和有谋略过程，以便回顾和审查。
第三步，对话本体照应：
疏导 Agent 的辩论标的，以确保辩论围绕贪图进行。
提供实时监控器具，匡助发现潜在问题，并实时赐与纠正和诊治。
修复规定和不绝条款，以保捏对话和相助的质地和效能。
提供对对话本体的搜索和过滤功能，以便快速查找相干信息。
AutoGen想象了一个通用ConversableAgent类，它们好像通过交换讯息来相互对话以共同完成任务。Agent不错与其他Agent进行通讯并奉行操作，不同的Agent在收到讯息后奉行的操作可能有所不同。
AutoGen中包含两种Agent和一种Manager，通过相互相助，沿路处理问题。AssistantAgent的主要作用是动作核心大脑提供清晰、分析；UserProxyAgent主要办事理核心大脑给出的有谋略。GroupChatManager是好像让多个Agent进行分组的照应者，肖似于把团队拆分为多个Team进行照应。
四、XAgent – Agent 并行贪图， LLM 汇总
XAgent 是一个开源、基于大型谈话模子（LLM）的通用自主Agent，不错自动贬责多样复杂任务。该框架采纳双环机制，外轮回用于高层任务照应，起到谋划（Planning）的作用，内轮回用于底层任务奉行，起到奉行（Execution）的作用。
外轮回
外轮回动作高层谋划器和扫数这个词问题贬责序列的主要和谐者，充任扫数这个词问题贬责序列的照应，它的职责不错剖判如下。
AV天堂启动谋略生成：PlanAgent当先生成一个启动谋略，为任务奉行制定基本政策。该部分会将给定的复杂任务剖判为更小、更易照应的子任务，其弘扬为一个任务部队，不错径直地奉行。
迭代式谋略优化：在启动谋划之后，PlanAgent通过从任务部队中开释出第一个任务，然后将该子任务传递给内轮回，PlanAgent捏续监视任务的进展和景色。在每个子任务奉行后，内轮回会复返来自ToolAgent的反馈。笔据反馈，PlanAgent触发安妥的处理机制，如优化谋略或陆续奉行后续子任务。直到部队中莫得剩余的子任务为止，外轮回收尾。
内轮回
内轮回正经奉行外轮回分派的各个子任务。基于外轮回给定的子任务，内轮回会指定一个合适的ToolAgent，确保任务达到预期的休止。内轮回的主要职责包括：
Agent调治和器具得到：笔据子任务的性质，打法合适的ToolAgent，该Agent具备完成任务所需的智力。
器具奉行：ToolAgent当先从外部系统中得到器具以匡助完成任务。然后，Agent使用ReACT来贬责子任务，寻找最好的一系列器具调用来完成子任务。
反馈和反念念：在一系列动作之后，ToolAgent不错发出一个名为“subtask_submit”的特定动作，以完成刻下子任务的处理，并将反馈和反念念传递给PlanAgent。这个反馈不错指示子任务是否收效完成，或者强调潜在的立异。
PlanAgent
PlanAgent赋予Agent不绝制定和鼎新谋略的智力，以安妥多变的环境和突发需求。这些智力对于确保生动性、弹性和效能以应酬未猜测的挑战至关热切。PlanAgent专用于外轮回，其通过生成启动谋略和不绝鼎新谋略来结束这一贪图。PlanAgent包含四个函数来优化谋略：
子任务拆分：使系统好像将特定的子任务剖判为粒度更细、更易照应的单位。唯有刻下正在奉行或尚未启动的子任务才有资历进行此操作。
子任务删除：删除尚未入手的子任务。也曾在进行中或已完成的子任务不具备删除资历。这确保了一定的生动性，不错修剪过剩或不相干的任务，以优化全体奉行。
子任务修改：修改子任务的本体。要修改的子任务不成是也曾入手或也曾完成，以保捏全体谋略的完满性。
子任务添加：在特定子任务之后插入新的子任务。只可在刻下处理的子任务或自后继任务之后添加子任务。这确保了新任务按限定编排，简化了奉行经由，并保捏了一致性。
ToolAgent
ToolAgent使用ReACT寻找最好的一系列器具来完成子任务。在每一轮中，Agent笔据先前的交互生成一个动作，对于每个动作，在归拢个函数调用中将智能体的推理和行动协同起来，即推理追踪和将要奉行的动作王人被视为特定函数的参数。具体而言，每个函数调用具有以下组件：
念念考：Agent对于任务的瞻念察力的轮廓。
推理：追踪Agent通过的逻辑轨迹，以得出其念念考。
月旦：捕捉Agent对其行动的自我反念念，动作一个反馈回路。它强调潜在的审定或立异的边界。
指示：笔据推理决定Agent下一步要采用的动作。
参数：列举要奉行的动作的具体参数或细节。
五、总结
在这篇著作中，风叔先容了多智能体系统的趣味趣味和价值，并详备先容了MetaGPT、AutoGen、XAgent这三种盛名的多智能体想象框架。
从相助想象结束上来说小77论坛最新，风叔更倾向聘任 LLM驱动的Multi-Agent想象标的，减少工程化的侵入。因为LLM智力在成长，跟着时候的推移，当今的瓶颈可能会被冲破，而 SOP驱动是工程化的，无法跟着时候自我迭代。